模型融合
1 模型优化
模型优化方法:研究模型学习曲线,判断模型是否过拟合或者欠拟合并做出相应的调整;对模型权重参数进行分析,对于权重绝对值高或低的特征,可以进行更细化的工作,也可以进行特征组合;进行Bad-Case分析,针对错误的例子确定是否还有地方可以修改挖掘;进行模型融合。
1.1模型学习曲线
出现高偏差,说明模型太过简单,没有能力学习到样本的底层规律,此时训练集和验证率都会很低。出现高方差,说明模型太过复杂,学习太过,在训练集上的准确率比较好,但是在验证集上的泛化能力较差,验证集的准确率比较低,两个准确率相差较大。
1.2模型融合提升技术
模型融合,即先产生一组个体学习器,再用某种策略将它们结合起来,以加强模型效果。分析表明,随着集成中个体分类器数目T的增加,集成学习器的错误率将呈指数级下降,最终趋于零。通过融合可以达到“取长补短”的效果,综合个体学习器的优势是能降低预测误差、优化整体模型性能。而且,个体学习器的准确性越高、多样性越大,模型融合的提升效果就越好。
按照个体学习器的关系,模型融合提升技术可以分为两类:
(1)个体学习器间不存在强依赖关系可同时生成的并行化方法,代表是Bagging方法和随机森林。
(2)个体学习器间存在强依赖关系必须串行生成的序列化方法,代表是Boosting方法。
1)Bagging方法和随机森林
Bagging(